三维重建是模式识别、计算机视觉等领域的一个极为重要的研究分支。传统的室内场景三维重建算法均需要借助深度信息及几何基元等特征进行建模,对于复杂室内场景中平面的三维重建效果并不佳。尽管使用深度卷积神经网络的单图像室内场景分段平面重建算法不需要手动标注特征,对当前目标任务可自动学习丰富的特征表示,受光照及纹理等因素较小,取得了一些较传统算法更好的三维重建效果。但是,由于卷积神经网络在重建过程中,感受野是固定大小且局部的,容易使得待重建目标物体的细节难以恢复及难以重建出小物体平面。针对这些问题,本文进行了如下研究:（1）在需要多幅图像或深度信息的三维重建中,传统的三维重建算法对具有遮挡和复杂特性的室内场景重建能力具有一定的局限性,而现有的基于深度学习的方法在受到光照变化和纹理表面缺乏等因素的影响时,易丢失待重建平面内目标物体的细节,提出了一种基于空洞卷积与多尺度特征融合的室内场景单图像分段平面三维重建算法。该算法通过融合利用加入空洞卷积的Res Net-101网络产生的浅层高分辨率细节特征,从而减少随着网络结构层次的增加导致部分室内场景中空间信息的丢失对三维重建细节的影响,使模型能够学习单幅图像中室内复杂场景的细节特征,并通过将条件随机场优化后的定位精度优势与卷积神经网络的识别能力相耦合,对边界分割问题进行处理。本文利用大型室内场景公共数据集的单幅RGB图像进行了训练测试。实验结果显示,本文算法不仅可以重建出室内场景目标平面且能保持待重建平面内目标物体的细节,对复杂背景的室内场景的平面预测鲁棒性较强,平面分割结果较准确,其中,平面召回率可达到接近60%,像素召回率可达到将近70%,且深度预测精度平均可达到92.27%。（2）目前卷积神经网络仅在局部感受野内对通道信息和空间信息进行卷积融合操作,作为深度卷积神经网络提取到的全局特征信息,未充分考虑空间和特征通道间的关系,易丢失待重建平面内小物体信息,不利于重建,本文提出一种基于压缩-注意力机制的室内场景分段平面三维重建算法。该算法首先通过加入压缩-激励模块和空间注意力机制的Res Net-101网络对输入图像进行特征提取,然后利用全局平均池化对特征图进行处理,将得到的特征结果沿着空间维度方面压缩整合到一个通道中,将各二维的特征通道转化为能含有全局感受野的实数,故使浅层神经网络也能获取全局感受野。最后利用带有激活函数——Sigmoid的门控网络单元机制来捕获通道间的彼此依附关系。通过对通道间的依赖关系进行显示建模并自适应校准其特征响应,提升了模型的深度预测精度。实验表明本文算法得到的三维重建模型在深度误差指标Rel、Re l（7）sq r（8）、RMSE、RMSE（7）log（8）及log（7）10（8）上,分别提高了1.7%、5.3%、4.5%、5.3%及1.3%,深度平均预测精度达到93.57%。对较复杂的室内场景具有一定的泛化性和鲁棒性,提高了室内场景的三维重建精度。